JRun起什么作用？

juli 2002-03-14 06:10:54

JRun起什么作用？
能给我几篇有关于配置JRun的文章吗？

...全文

179 5 打赏收藏转发到动态举报

写回复

5 条回复

切换为时间正序

请发表友善的回复…

发表回复

juli 2002-03-20

打赏
举报

回复

hax(海曦) 说得太好了^_^

hax 2002-03-18

打赏
举报

回复

它比tomcat还是强，毕竟是J2EE认证的。不过怪毛病倒也是不少。

gamebill 2002-03-15

打赏
举报

回复

相同于tomcat,在win平台下使用,使用时平台不大稳定,怪问题挺多

hax 2002-03-15

打赏
举报

回复

JRun 是 Macromedia 的产品，目前的版本是3.1，有专业版、增强版、企业版之分。价格比Weblogic等当然是便宜，但是对我们来说也实在贵。但是有Develop版本是可以免费下载使用的。另外网上可以找到3.0版本的企业版和注册码。JRun的企业版可以发布EJB应用的，它通过了J2EE的认证。
JRun的一大特点就是配置是web界面的，非常容易——只要你的E文不至于太差。
但是我不喜欢JRun，因为它还停留在Servlet 2.2 / JSP 1.1，而不是Servlet 2.3 / JSP 1.2。而恰恰是前者对中文的支持不完善，造成臭名昭著的Java中文乱码问题。使用最新的J2SDK 1.4和准确实现Servlet 2.3的引擎就没有这个问题了。
我推荐你使用resin，它是免费并且开放源码的。而且它的性能也非常之好，据说是最快的JSP引擎和XSLT引擎。resin还有许多额外的强劲功能，包括对Javascript的支持、与XSP类似的XTP技术等。

xexplorer 2002-03-14

打赏
举报

回复

这是个jsp服务器，类似tomcat的作用。不过它是商用软件，不是免费的。性能自然比免费的tomcat强多了。

内容概要：本文聚焦于高维多阶段随机规划问题，深入研究了正则化分解方法与马尔可夫过程在刻画不确定性动态演化中的应用，并提供了完整的Python代码实现。通过引入正则化技术有效降低了高维随机优化问题的计算复杂度，结合马尔可夫链建模多阶段决策过程中的不确定性传播机制，提升了模型在复杂动态环境下的求解效率与鲁棒性。研究涵盖了问题建模、算法设计、数值求解及结果分析全过程，具有较强的理论深度与工程实践价值；适合人群：具备一定运筹学、优化理论基础及Python编程能力，从事智能决策、人工智能、能源系统优化、金融工程等相关领域的科研人员、高校研究生以及工业界研发工程师；使用场景及目标：①应用于电力系统调度、供应链管理、金融资产配置等存在多阶段不确定性的复杂决策场景；②掌握高维随机规划的建模思路与高效求解技术，深入理解正则化方法与马尔可夫过程在实际优化算法中的融合机制与实现路径；阅读建议：建议结合提供的Python代码进行动手实践，重点关注算法实现细节、参数敏感性分析与收敛性验证，鼓励在不同应用场景中迁移和改进该方法，进一步探索其在分布鲁棒优化、动态规划等前沿方向的扩展潜力。

内容概要：本文系统介绍了一种基于图论的非参数聚类分析方法，并提供了完整的Matlab代码实现。该方法通过构建数据点间的图结构，利用图论中的连通性和路径特性进行聚类划分，无需预先设定聚类数目，具有较强的自适应能力。文章重点阐述了算法的核心思想、数学建模过程及关键步骤的编程实现，展示了其在复杂分布数据上的聚类效果，突出了在处理非球形、不规则簇结构时相较于传统聚类算法的优势，有助于读者深入理解图论在无监督学习中的应用机制。; 适合人群：具备一定数学基础和Matlab编程能力，从事数据分析、模式识别、机器学习或相关工程研究的研究生及科研人员。; 使用场景及目标：①学习图论在聚类分析中的具体应用原理与实现技巧；②掌握非参数聚类算法的设计思路与代码实现方法；③应用于科研项目中对复杂、未知结构数据的无监督分类任务；④作为算法原型进行二次开发或与其他模型融合创新；阅读建议：建议读者结合提供的Matlab代码逐行调试，通过调整参数（如邻接阈值、相似度度量方式）观察聚类结果变化，深入理解算法行为，并尝试将其应用于自身研究领域的实际数据集中，以提升理论与实践结合的能力。

python程序源码

科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。

内容概要：本文系统研究了离散时间线性系统中基于共识的分布式滤波器的稳定性与最优性问题，深入探讨了KF（卡尔曼滤波）、DKF（分布式卡尔曼滤波）、SMDKF（基于平方根的最大熵分布式卡尔曼滤波）、CI（协方差交叉）、ICF（信息共识滤波）和HCMCI（基于高阶交叉协方差的信息融合）等多种滤波算法的理论基础、数学推导与实现机制。通过Matlab平台构建多传感器网络仿真环境，实现了各类算法在不同噪声统计特性和通信拓扑结构下的状态估计仿真，重点分析了各算法在估计精度、收敛速度、鲁棒性及一致性方面的性能差异，并对融合策略中的协方差传播、信息权重分配与共识迭代过程进行了细致对比，旨在为复杂环境下多智能体系统的分布式状态估计提供可复现的技术方案与理论支撑。; 适合人群：具备控制理论、信号处理、线性系统理论及Matlab编程基础的研究生、科研人员，以及从事多传感器融合、分布式估计算法开发、无人系统导航与智能电网监控等领域的工程技术人员。; 使用场景及目标：① 掌握主流分布式滤波算法的核心思想与数学建模方法；② 在多节点传感网络中实现高效可靠的状态估计；③ 对比分析不同共识融合策略在非理想通信条件下的性能表现；④ 支持学术论文复现、算法改进与工程化验证，服务于科研创新与系统优化设计。; 阅读建议：建议结合Matlab代码逐模块解析算法实现流程，重点关注状态预测、局部更新、信息融合与一致性达成的关键步骤；可通过调整系统噪声、观测噪声、网络连接拓扑等参数开展扩展性仿真实验，深入理解算法的稳定边界与最优性条件，进一步探索其在实际应用场景中的适应性与改进空间。

81,111

社区成员

341,723

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章